Skillz：让AI在运行时动态创建与执行工具的自扩展MCP服务器

1. 项目概述：让AI为自己锻造工具

在AI辅助编程的日常里，我常常遇到一个瓶颈：现有的工具链是固定的。无论是代码补全、文件搜索还是数据库查询，我能调用的工具集在编辑器启动的那一刻就已经被限定死了。如果我想让AI助手帮我处理一个特定格式的日志文件，或者调用一个内部团队的API，我通常需要先退出编辑器，写一个脚本，配置环境，再重启整个MCP（模型上下文协议）服务。这个过程不仅打断了心流，也让“让AI成为编程伙伴”的体验大打折扣。

直到我遇到了Skillz。这个项目的核心思想极其大胆且优雅：为什么不让AI在运行时，自己创建它所需要的工具呢？想象一下，你直接对Claude或Cursor说：“帮我写一个工具，能抓取这个网页的标题并提取关键词。”几秒钟后，这个工具就被编译、注册，并立即可用，无需任何重启。这彻底改变了AI与工具交互的范式——从使用预设工具，到按需创造工具。

Skillz 是一个自扩展的MCP服务器，用Rust编写。它允许LLM（大语言模型）在运行时动态创建、编译和执行新的工具。这些工具可以是编译为WebAssembly（WASM）的Rust代码，也可以是Python、Node.js等脚本，甚至可以是串联其他工具的“流水线”。更厉害的是，它能无缝集成外部的标准MCP服务器，将其工具纳入自己的管理体系，并通过“技能”机制进行动态的、渐进式的工具发现与管理。简单说，它把MCP从一个静态的工具箱，变成了一个活的、会成长的工具工厂。

2. 核心架构与设计哲学

2.1 传统MCP与Skillz的范式对比

要理解Skillz的价值，必须看清它解决的问题。传统的MCP工作流是一个“设计-部署-使用”的闭环，而Skillz将其变成了“描述-创建-使用”的即时循环。

传统MCP的固定范式：

1. 开发阶段：开发者需要预先设想所有可能用到的工具。
2. 实现阶段：用Rust、Python等语言编写工具的实现代码。
3. 集成阶段：将工具代码编译、打包，集成到MCP服务器中。
4. 部署阶段：更新MCP服务器配置，重启客户端（如Cursor、Claude Desktop）。
5. 使用阶段：AI或用户才能调用这个新工具。

这个过程周期长，反馈慢，严重依赖开发者的前瞻性。如果遇到一个未预见的场景，整个流程就得重来一遍。

Skillz的动态范式：

1. 描述需求：直接告诉AI你需要一个什么样的工具（功能、输入、输出）。
2. 即时创建：AI生成工具代码（Rust或脚本），并通过Skillz提供的build_tool或register_script工具提交。
3. 动态加载：Skillz在内存中即时编译（WASM）或解释执行该工具，并立即将其注册到可用的工具列表中。
4. 即刻使用：新工具立即可被调用，整个过程在数秒内完成，无需重启任何服务。

这个转变的核心技术支撑是WebAssembly和动态代码执行。WASM提供了接近原生的执行速度与强大的沙箱安全性，使得在运行时编译、加载未知代码变得可行且安全。

2.2 核心组件与数据流

Skillz的架构可以看作一个精密的“工具运行时引擎”。其核心组件包括：

1. 工具注册表：一个在内存和磁盘上同步的数据库，记录所有已注册工具的名称、描述、类型（WASM/Script/Pipeline/MCP）、源码位置和执行句柄。
2. WASM编译与运行时：当接收到一个Rust工具定义时，Skillz会调用本地的rustc编译器，将代码编译为wasm32-wasip1目标格式的模块，然后使用wasmtime或类似的WASM运行时加载并实例化该模块，准备执行。
3. 脚本解释器管理器：对于Python、Node.js等脚本，Skillz不内置解释器，而是作为一个调度器，生成子进程来调用系统已安装的对应解释器（如python3,node），并管理其输入/输出和生命周期。
4. MCP客户端桥接器：这是Skillz另一个巧妙的设计。它本身是一个MCP服务器，但同时也能作为客户端去连接其他标准的stdio MCP服务器（如mcp-server-time）。通过import_mcp工具，它将外部服务器的所有工具“导入”到自己的命名空间下，对外提供统一的调用接口。
5. 技能与包管理器：这是组织工具的高级抽象。工具被归类到不同的“技能”下。默认情况下，大部分技能（及其包含的工具）是隐藏的，只有在被“激活”后，其工具才会出现在可调用列表中。这解决了工具过多导致的界面混乱问题，实现了“渐进式披露”。技能可以从Git仓库批量导入，与Claude Skills格式兼容。
6. 持久化与状态管理：所有工具定义、技能配置、甚至是一个简单的键值存储（memory工具）都会被保存到~/.skillz/目录下。这意味着即使重启Skillz服务器，你创建的工具和存储的数据依然存在。
7. 服务依赖管理器：对于需要后台服务（如PostgreSQL、Redis）的工具，Skillz可以定义和管理Docker容器。当工具被调用时，它会确保依赖的服务已启动，并将连接信息（如主机、端口）通过环境变量注入到工具的执行环境中。

整个数据流始于一个MCP请求（例如，来自Cursor）。Skillz解析请求，路由到对应的处理器（WASM模块、脚本进程、外部MCP服务器或流水线引擎），执行完毕后将结果封装成MCP响应返回。整个过程对上游的AI客户端完全透明，它只是发现自己突然多了一个可用的工具。

3. 从零开始：环境搭建与基础配置

3.1 安装Rust与WASM目标

Skillz本身是Rust项目，并且它创建的工具也主要面向Rust/WASM，因此Rust环境是必须的。如果你还没有安装Rust，请执行以下命令：

# 使用rustup安装Rust工具链 curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh # 安装完成后，需要重启终端或执行 `source $HOME/.cargo/env` 使环境变量生效

接下来，安装WebAssembly编译目标，这是将Rust代码编译成Skillz可执行格式的关键：

rustup target add wasm32-wasip1

这里选择wasm32-wasip1而非wasm32-unknown-unknown是因为WASI（WebAssembly System Interface）提供了更标准化的系统接口（如文件I/O），更适合服务器端工具场景。

3.2 安装Skillz服务器

有两种安装方式，推荐使用Cargo直接从crates.io安装，最为简单：

cargo install skillz

安装完成后，skillz二进制文件会出现在~/.cargo/bin/目录下。请务必确保该目录在你的系统PATH环境变量中，否则后续编辑器配置会找不到命令。你可以通过echo $PATH检查，或通过which skillz验证。

如果希望从源码安装以获取最新特性：

git clone https://github.com/Algiras/skillz.git cd skillz # 在项目根目录下编译安装 cargo install --path .

3.3 配置编辑器（以Cursor为例）

Skillz需要作为一个MCP服务器被你的AI编码助手（如Cursor、Claude Desktop）调用。配置过程就是在编辑器的MCP设置文件中，告诉它如何启动Skillz。

对于Cursor IDE，配置文件位于~/.cursor/mcp.json。如果文件不存在，请创建它。

{ "mcpServers": { "skillz": { "command": "skillz" } } }

这里假设skillz命令已在PATH中。如果安装后命令未找到，你需要使用绝对路径，例如“command”: “/home/your_username/.cargo/bin/skillz”。

配置完成后，必须完全重启Cursor。重启后，你可以在Cursor的聊天界面中尝试让AI列出可用工具，如果看到list_tools、build_tool等Skillz核心工具，说明配置成功。

踩坑记录：spawn skillz ENOENT错误这是新手最常见的问题。错误信息意味着编辑器找不到skillz可执行文件。解决方法永远是以下两步：

1. 确认路径：在终端执行which skillz，获取完整路径。
2. 使用绝对路径：在mcp.json中，将“command”: “skillz”替换为“command”: “/your/absolute/path/to/skillz”。 另外，确保该二进制文件有可执行权限 (chmod +x ~/.cargo/bin/skillz)。

3.4 探索基础工具：你的第一个动态工具

配置成功后，让我们通过Cursor和AI助手，直接与Skillz交互，创建第一个工具。你可以在Cursor聊天框中输入：

请调用 list_tools 工具，看看我们现在有哪些工具可用。

AI应该会调用list_tools并返回结果。初始状态下，你可能只看到少数几个核心工具。现在，让我们创建一个最简单的工具——一个计算器。你可以对AI说：

我想创建一个工具，名叫“add”，功能是接收两个数字参数a和b，返回它们的和。请用 register_script 工具，用Python脚本来实现它。

一个正确的实现请求可能是这样的：

请使用 register_script 工具，创建一个名为 “add” 的Python脚本工具。描述是“Add two numbers”。代码是：

import json import sys def main(): # 读取MCP请求 request = json.loads(sys.stdin.readline()) args = request.get('params', {}).get('arguments', {}) a = args.get('a', 0) b = args.get('b', 0) # 执行计算 result = a + b # 返回MCP格式的响应 response = { "content": [{ "type": "text", "text": str(result) }] } print(json.dumps(response)) if __name__ == "__main__": main()

请注册这个工具。

AI会调用register_script工具来完成注册。成功后，你可以立即测试：

现在，请调用我们刚创建的 “add” 工具，参数是 a=5, b=3。

如果一切顺利，AI会调用call_tool并返回结果8。至此，你已经在运行时动态扩展了AI的能力，而整个过程没有写一行配置，没有重启一次服务。

4. 核心工具深度解析与实战

4.1 王牌工具：build_tool- 释放Rust的性能与安全

register_script适合快速原型，但如果你需要高性能、强类型安全或复杂的系统交互，build_tool是你的不二之选。它将Rust代码编译成WASM，在沙箱中运行。

一个完整的build_tool调用示例：假设我们需要一个工具来统计文本中的单词频率，并返回JSON格式的Top N结果。

// 通过AI向Skillz提交以下构建请求 build_tool( name: "word_frequency", description: "Analyze word frequency in text and return top N results", code: “ use std::collections::HashMap; use serde_json::{json, Value}; use std::io::{self, Read}; fn main() -> Result<(), Box<dyn std::error::Error>> { // 1. 读取MCP标准输入 let mut input = String::new(); io::stdin().read_to_string(&mut input)?; let request: Value = serde_json::from_str(&input)?; // 2. 解析参数 let args = request["params"]["arguments"].as_object().ok_or("Invalid arguments")?; let text = args.get("text").and_then(|v| v.as_str()).unwrap_or(""); let top_n = args.get("top_n").and_then(|v| v.as_u64()).unwrap_or(10) as usize; // 3. 核心逻辑：词频统计 let words = text.to_lowercase() .split(|c: char| !c.is_alphabetic() && c != '\'') .filter(|s| !s.is_empty()); let mut freq: HashMap<&str, u32> = HashMap::new(); for word in words { *freq.entry(word).or_insert(0) += 1; } // 4. 排序并取Top N let mut sorted: Vec<(&str, u32)> = freq.into_iter().collect(); sorted.sort_by(|a, b| b.1.cmp(&a.1)); let top_results: Vec<Value> = sorted .into_iter() .take(top_n) .map(|(word, count)| json!({“word”: word, “count”: count})) .collect(); // 5. 输出MCP响应 let response = json!({ “content”: [{ “type”: “text”, “text”: serde_json::to_string_pretty(&top_results)? }] }); println!("{}", serde_json::to_string(&response)?); Ok(()) } ”, dependencies: ["serde_json"], // 声明依赖的crate annotations: {"readOnlyHint": true} // 提示客户端这是一个只读操作 )

关键点解析与避坑指南：

1. 依赖管理：dependencies字段允许你指定工具所需的Rust crate。Skillz会在编译时自动将这些依赖添加到工具的Cargo.toml中。这极大地扩展了工具的能力，你可以使用reqwest发起HTTP请求，用sqlx连接数据库，用regex处理复杂文本。注意：尽量使用常见、稳定的crate版本，避免使用系统库（sys）类crate，它们在WASI目标下可能无法编译。
2. 输入输出协议：工具必须遵循MCP的stdio协议。它从标准输入 (stdin) 读取一个完整的JSON-RPC请求，处理后将JSON-RPC响应打印到标准输出 (stdout)。上面的例子展示了标准的解析和响应格式。错误处理：务必使用Result并妥善处理错误，WASM模块中的panic可能导致整个调用失败。
3. 性能考量：WASM模块的冷启动（首次加载）有一定开销，但执行速度很快。对于会被频繁调用的简单工具，脚本可能更轻量。对于计算密集型或需要复杂逻辑的工具，WASM的优势明显。
4. 调试技巧：编译失败时，错误信息会通过call_tool返回。但这些信息可能比较简略。一个实用的调试方法是先在本地创建一个独立的Rust项目，以wasm32-wasip1为目标进行编译和测试，确保代码和依赖没问题后，再将代码片段交给build_tool。

4.2 流水线大师：pipeline- 组合工具的利器

单个工具能力有限，真正的力量在于组合。pipeline工具允许你以声明式的方式将多个工具串联起来，形成一个更强大的复合工具。

场景：我们有一个fetch_url工具（获取网页内容），一个extract_title工具（提取标题），以及刚才创建的word_frequency工具。现在我们想创建一个“分析网页关键词”的流水线。

# 首先，确保所需的工具都已存在或创建好。 # 然后，通过AI调用 pipeline 工具 pipeline( action: “create”, name: “analyze_webpage”, description: “Fetch a webpage, extract its title, and analyze word frequency”, steps: [ { “name”: “html_content”, # 步骤结果会存入这个变量 “tool”: “fetch_url”, “args”: {“url”: “$url”} # 引用流水线输入参数 `url` }, { “name”: “page_title”, “tool”: “extract_title”, “args”: {“html”: “$html_content”} # 引用上一步的结果 }, { “tool”: “word_frequency”, “args”: { “text”: “$page_title”, # 对标题进行词频分析 “top_n”: 5 } } ] )

流水线的精妙之处：

1. 数据流：每一步的输出（默认是整个响应内容中的text部分）可以作为变量，被后续步骤通过$variable_name语法引用。这创建了清晰的数据依赖链。
2. 错误传播：如果流水线中任何一步失败，整个流水线会停止，并返回错误信息。你可以设计更健壮的流水线，包含错误处理步骤。
3. 复用与抽象：创建好的流水线本身就是一个新的工具，可以像普通工具一样被call_tool调用。这实现了工具能力的无限叠加。你可以将常用的工作流（如“获取数据-清洗-分析-报告”）封装成流水线，极大提升效率。
4. 可视化潜力：流水线的声明式结构非常适合被前端可视化，未来可以轻松构建出图形化的工具编排界面。

实操心得：在设计流水线时，尽量让每个步骤的工具功能单一、职责明确。这样不仅易于调试，也方便未来替换或重组。例如，fetch_url只负责获取原始数据，clean_html负责清洗，extract_text负责提取文本。这种“单一职责”原则在构建复杂流水线时至关重要。

4.3 外部集成：import_mcp- 连接工具宇宙

Skillz最强大的特性之一是它能作为“MCP的聚合器”。你可以将任何遵循MCP stdio协议的外部服务器接入Skillz，统一管理。

实战：集成时间服务器有一个流行的MCP服务器叫mcp-server-time，它提供获取当前时间、时区转换等功能。我们可以将其导入：

import_mcp( name: “world_time”, # 在Skillz内给这个服务器起个命名空间 command: “uvx”, # 使用 uvx 来运行Python包 args: [“mcp-server-time”], # 服务器的启动命令参数 description: “Access time and timezone utilities” )

执行成功后，world_time服务器提供的所有工具（如get_current_time,list_timezones）都会出现在Skillz的工具列表中，但会带上命名空间前缀，例如world_time_get_current_time。

现在，你可以：

1. 直接调用：call_tool(tool_name: “world_time_get_current_time”, arguments: {“timezone”: “Asia/Shanghai”})
2. 在流水线中使用它。
3. 甚至用execute_code工具编写一段逻辑，循环调用它获取多个城市的时间。

注意事项与局限：

• 仅支持stdio：目前import_mcp只支持通过命令行启动的stdio服务器，不支持HTTP/SSE协议的MCP服务器。
• 错误处理：如果外部服务器崩溃或无响应，Skillz会返回错误。建议为重要的外部工具调用添加超时或重试逻辑（可以在流水线或自定义工具中实现）。
• 性能开销：每次调用外部工具都会产生进程间通信（IPC）的开销。对于高频调用，需要考虑性能影响。一个优化思路是，如果某个外部工具逻辑简单但调用频繁，可以用build_tool或register_script重新实现一个本地版本。

4.4 状态管理：memory工具与持久化

无状态工具很好，但有时我们需要记忆。Skillz内置了一个简单的、支持TTL的键值存储——memory工具。

基本操作：

# 存储数据 memory(action: “store”, key: “user:123:preferences”, value: {“theme”: “dark”, “lang”: “zh”}, ttl_seconds: 86400) # 获取数据 memory(action: “get”, key: “user:123:preferences”) # 列出所有键（支持前缀搜索） memory(action: “list”, prefix: “user:”) # 删除数据 memory(action: “delete”, key: “user:123:preferences”) # 查看统计信息 memory(action: “stats”)

应用场景举例：

1. 会话缓存：在AI对话中，缓存复杂的中间计算结果，避免重复计算。
2. 用户偏好：存储用户在一个项目中的设置，如默认的代码风格、API端点。
3. 限流器：实现简单的API调用频率限制（存储上次调用时间）。
4. 工作流状态：在跨多个工具调用的复杂流水线中，存储共享状态。

重要提醒：memory是进程内存储，虽然会持久化到磁盘，但它不是一个分布式数据库。不适合存储大量数据或作为任务队列。对于更复杂的状态需求，应该结合services工具启动一个Redis或数据库容器，并创建相应的工具来操作。

5. 高级特性与生产级实践

5.1 技能系统：渐进式披露与生态集成

当工具数量爆炸式增长后，如何管理？Skillz的“技能”系统提供了优雅的解决方案。一个技能是一组相关工具的集合，可以作为一个单元被激活或隐藏。

激活与使用技能：

# 1. 首先，激活开发者技能包，这会显示所有核心管理工具 activate_skill(name=“dev”) # 2. 现在，你可以导入一个技能仓库（比如一个收集了Obsidian相关工具的仓库） add_skill_repo(url=“https://github.com/kepano/obsidian-skills”) # 3. 激活从仓库导入的某个具体技能 activate_skill(name=“obsidian-markdown”) # 4. 此时，该技能下的所有工具（如“convert_to_markdown”, “extract_links”等）就变得可用了。 # 你可以通过 list_tools 查看，会发现工具名可能带有技能前缀。

技能包：你可以创建自定义的技能包，将多个技能组合在一起一键激活。配置文件在~/.skillz/skills/bundles.json。

{ “@my-workflow”: [“dev”, “data-analysis”, “internal-api”], “@writing-assistant”: [“grammar-check”, “seo-optimize”, “obsidian-markdown”] }

使用时只需activate_skill(name=“@my-workflow”)。

设计理念：这个设计非常符合人类使用习惯。在开始一个数据分析任务时，你激活数据分析技能包；在写作时，激活写作助手技能包。避免了工具列表冗长带来的认知负担，实现了“工具在需要时才出现”的流畅体验。

5.2 Docker服务依赖：打造完整后端工具链

很多工具需要依赖后台服务，比如一个数据库查询工具需要PostgreSQL，一个缓存工具需要Redis。Skillz的services工具可以帮你定义和管理这些依赖。

定义一个PostgreSQL服务：

services( action: “define”, name: “postgres-dev”, image: “postgres:16-alpine”, # 使用Alpine镜像减小体积 ports: [“5432:5432”], env: { “POSTGRES_PASSWORD”: “localdev123”, “POSTGRES_DB”: “skillz_tools” }, volumes: [“pg_data:/var/lib/postgresql/data”], # 命名卷持久化数据 healthcheck: { “cmd”: [“pg_isready”, “-U”, “postgres”], “interval”: “5s”, “timeout”: “3s”, “retries”: 10 } )

在工具中声明依赖：

register_script( name: “query_users”, description: “Query users from PostgreSQL”, interpreter: “python3”, requires_services: [“postgres-dev”], # 声明服务依赖 dependencies: [“psycopg2-binary”], code: ”’ import os, json, sys, psycopg2 # Skillz会自动注入环境变量：POSTGRES_HOST, POSTGRES_PORT conn = psycopg2.connect( host=os.environ.get(“POSTGRES_HOST”, “localhost”), port=int(os.environ.get(“POSTGRES_PORT”, 5432)), user=“postgres”, password=“localdev123”, database=“skillz_tools” ) # … 执行查询 ’’’ )

工作流程：当你调用query_users时，Skillz会检查postgres-dev容器是否在运行。如果未运行，它会返回一个清晰的错误，并提示你可以运行services(action=“start”, name=“postgres-dev”)来启动它。如果已运行，它会将容器的实际主机和端口（可能是Docker内部IP）通过POSTGRES_HOST和POSTGRES_PORT环境变量传递给工具脚本。

生产环境建议：对于开发环境，这种动态管理非常方便。但在生产环境或团队共享环境中，建议将服务依赖（如数据库）作为外部基础设施管理，而不是由Skillz动态启动。可以通过环境变量或配置中心将连接信息传递给工具，避免Skillz承担容器编排的职责。

5.3 安全与沙箱：安全地运行未知代码

允许动态执行代码是强大的，但也带来了安全风险。Skillz提供了多层安全机制。

1. 环境隔离（Linux）： 通过设置SKILLZ_SANDBOX环境变量，你可以选择不同的沙箱技术。

• bubblewrap：利用Linux命名空间进行轻量级隔离（用户、网络、文件系统等）。适合大多数场景，性能开销小。
• firejail：更严格的沙箱，结合了命名空间、seccomp-bpf（系统调用过滤）和资源限制。安全性更高。
• nsjail：谷歌开发的最严格的沙箱，常用于CTF竞赛和不可信代码执行。

export SKILLZ_SANDBOX=firejail export SKILLZ_SANDBOX_NETWORK=0 # 禁止沙箱内网络访问，更安全

2. 文件系统访问控制： 工具默认只能访问其自己的工作目录（~/.skillz/tools/<tool-name>/）和由SKILLZ_ROOTS环境变量或MCP客户端指定的根目录。这防止了工具任意读写系统文件。

3. 秘密管理： 只有以SKILLZ_为前缀的环境变量会被传递给工具。这是传递API密钥、数据库密码等秘密的标准方式。切勿使用普通环境变量或在工具代码中硬编码秘密。

export SKILLZ_OPENAI_API_KEY=“sk-...” export SKILLZ_DB_PASSWORD=“secret123”

在工具中通过context.environment字典访问。

4. 权限最小化原则：

• 为脚本工具指定尽可能少的依赖。
• 为WASM工具使用尽可能少的crate。
• 仔细审查从外部仓库（GitHub Gist）导入的工具代码。
• 在团队中，可以建立一个内部可信工具仓库，而非完全开放动态创建。

5.4 HTTP服务器模式与远程调用

从v0.4.0开始，Skillz可以以HTTP服务器模式运行，这为Web应用或其他非stdio客户端集成打开了大门。

启动HTTP服务器：

skillz --transport http --port 8080 --host 0.0.0.0

这会在本地的8080端口启动一个HTTP服务器，提供两个端点：

• GET /sse：用于建立Server-Sent Events连接，接收服务器推送的通知（如工具列表变更）。
• POST /message：用于发送JSON-RPC请求，与Skillz交互。

使用curl测试：

# 在一个终端建立SSE连接，监听事件 curl -N http://localhost:8080/sse -H ‘Accept: text/event-stream’ # 在另一个终端调用工具 curl -X POST http://localhost:8080/message \ -H ‘Content-Type: application/json’ \ -d ‘{ “jsonrpc”: “2.0”, “id”: 1, “method”: “tools/call”, “params”: { “name”: “list_tools” } }’

应用场景：

1. 远程AI助手：你可以将Skillz部署在一台开发服务器上，然后让本地的Cursor或Claude Desktop通过HTTP连接到它，共享同一套工具生态。
2. CI/CD集成：在自动化流水线中，通过HTTP调用Skillz工具来完成代码分析、部署等任务。
3. 自定义前端面板：构建一个Web界面来可视化地管理、创建和调用Skillz工具。

性能与安全提示：HTTP模式默认没有身份验证。如果暴露在公网，务必在前端配置反向代理（如Nginx）并添加认证层（如API密钥、OAuth）。对于高性能场景，注意SSE连接的管理和JSON-RPC请求的序列化开销。

6. 典型问题排查与调试技巧

即使设计再精良，在实际操作中也会遇到各种问题。以下是我在深度使用Skillz过程中积累的常见问题排查清单。

6.1 工具创建与执行失败

6.2 编辑器集成与连接问题

6.3 性能优化与最佳实践

1. 工具粒度：不要创建“巨无霸”工具。将功能拆分成细粒度的、可复用的单一工具，然后用pipeline组合。这提高了缓存利用率（WASM模块可单独缓存），也便于调试和测试。
2. 依赖管理：对于WASM工具，谨慎添加crate依赖。每个依赖都会增加编译时间和最终的WASM模块大小。优先使用标准库，其次考虑轻量级、无系统依赖的crate。
3. 缓存策略：Skillz会缓存已编译的WASM模块。但如果你频繁修改并重建同名工具，可能会遇到缓存问题。在开发调试阶段，可以尝试先delete_tool再重新build_tool，或者给工具名加上版本后缀（如my_tool_v1）。
4. 资源清理：定期使用services(action: “prune”)清理未使用的Docker容器和镜像。使用memory(action: “list”)检查并清理过期的缓存数据。
5. 日志与监控：在开发脚本工具时，善用context对象中的send_progress和send_log能力（如果MCP客户端支持）来输出进度和调试信息。对于生产环境，考虑将Skillz的日志输出重定向到文件或日志收集系统。

Skillz代表了一种未来人机协作的新范式——工具不再是静态的、预先定义的，而是动态的、按需生成的、由AI参与创造的。它将开发者从繁琐的工具链配置中解放出来，让我们能更专注于问题本身。从简单的文本处理到复杂的、依赖外部服务的流水线，Skillz提供了一个统一、强大且安全的平台。虽然它在生产环境下的最佳实践仍在演进，但其核心理念和现有能力已经足够为个人和团队带来显著的效率提升。开始尝试让AI为你创建第一个工具吧，你会发现，编程的边界正在被重新定义。